祝贺沈京龙同学论文中稿IEEE TCCN (2025)

祝贺UNIC实验室沈京龙同学论文中稿IEEE TCCN (2025)

UNIC实验室博士沈京龙的论文《pFedDHPO: A Differentiable Approach for Personalized Hyperparameter Optimization in Federated Learning》中稿 IEEE TCCN(Transactions on Cognitive Communications and Networking)。本文聚焦联邦学习中客户端数量增加导致的超参数搜索空间复杂度指数上升的问题，提出了pFedDHPO方案，通过将个性化超参数优化（Hyper-Parameter Optimization，HPO）问题描述为针对用户端搜索空间内的联合分布参数优化问题，利用可微验证损失的梯度信息来显著提高超参数优化过程的效率。实验结果表明，pFedDHPO方法项目其他基线方法性能优异，且相比传统HPO方法减少了大量通信开销，提升了联邦学习在资源受限环境下部署的可扩展性。